基于图像分解的无训练磁共振影像重建方法、系统及介质

本技术涉及影像重建领域，具体而言，涉及一种基于图像分解的无训练磁共振影像重建方法、系统及介质。

背景技术：

1、磁共振成像技术是现代医疗领域一种被广泛应用的医学成像技术，临床上被应用于活体解剖结构精确成像、病灶诊断等。而磁共振影像成像速度较为缓慢，需通过较长时间获取数据以生成满足成像质量标准的医疗影像；该扫描时间较长的缺陷给部分患者带来较差的就医体验，且降低了医疗系统的运行效率。同时，患者在较长的扫描时间中易由于位置偏移对成像质量产生负面影像，如引入运动伪影。因此，磁共振影像重建方法旨在降低扫描时间，在满足成像质量标准的前提下尽可能减少获取的数据量，以此提升患者的就医体验并提高医疗系统的运行效率。

2、随着深度学习技术在医学影像处理领域的发展，早期研究人员提出利用卷积神经网络对欠采样磁共振影像进行重建的方法；除此之外，为解决大尺度图像长距离依赖问题，研究人员将自注意力机制应用到医学成像领域，如提出一种基于循环transformer的磁共振影像重建方法；然而大部分重建方法仅对整张影像进行统一处理，没能较好地对图像中不同组成成分进行针对性处理以此提升重建效率。且有监督方法依赖于获取成本高的标签数据，依赖于全采样磁共振数据。而大部分无监督算法需通过训练过程对重建模型进行优化，如有研究人员提出一种基于对抗transformer的无监督重建方法，该过程依赖于人工手动调参，且将带来巨大的训练计算负担，针对上述问题，目前亟待有效的技术解决方案。

技术实现思路

1、本技术实施例的目的在于提供一种基于图像分解的无训练磁共振影像重建方法、系统及介质，通过构建磁共振影像分解模型，将磁共振影像分解为边缘区域和平滑区域，并利用无训练神经网络先验生成器灵活获取图像分解成分和分解掩码，以此降低单模型的重建难度以提升磁共振影像的重建效率。

2、本技术实施例还提供了一种基于图像分解的无训练磁共振影像重建方法，包括：

3、获取磁共振影像，将磁共振影像输入预设的影像分解模型进行解耦，得到图像边缘区域与平滑区域；

4、通过无训练神经网络先验生成器获取图像边缘区域、平滑区域的分解成分与分解掩码，生成图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量；

5、图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量的映射关系，生成映射关系模型；

6、基于磁共振影像分解模型与映射关系模型，利用分解掩码对分解成分进行融合，获得磁共振影像重建结果。

7、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建方法中，获取磁共振影像，将磁共振影像输入预设的影像分解模型进行解耦，得到图像边缘区域与平滑区域，具体包括：

8、获取影像分解模型，根据影像分解模型将磁共振影像分解为不重叠的两部分，分别对应边缘区域和平滑区域，磁共振影像分解模型公式如下：

9、x＝mxe+(1-m)xs

10、其中，x∈cn为整体磁共振影像，m为边缘区域的掩码表征，其取值包含0和1，xe表示磁共振影像的边缘区域，xs表示磁共振影像的平滑区域。

11、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建方法中，基于磁共振影像分解模型与映射关系模型，利用分解掩码对分解成分进行融合，获得磁共振影像重建结果之后，还包括：

12、根据磁共振影像分解模型获取磁共振影像成像机理的k空间数据保真项与图像全变分正则项，建立重建图像的优化模型；

13、根据重建图像的优化模型建立k空间一致性约束lcst、全变分正则约束lreg和分解掩码正则损失函数lmask；

14、根据k空间一致性约束lcst、全变分正则约束lreg与分解掩码正则损失函数lmask建立总损失函数ltotal，根据总损失函数对映射关系模型的参数进行初始化；

15、设置迭代次数t，基于非训练神经网络先验优化策略，经过t轮迭代对映射关系模型进行优化，同时对磁共振影像重建结果进行迭代更新，得到磁共振重建结果x(t)。

16、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建方法中，所述映射关系模型包括8个子模块串联组成，其中一个子模块包括仅包括卷积网络层，其余每个子模块均由卷积网络层与线性整流激活函数层串联而成，最后一个子模块与网络输入逐像素相加。

17、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建方法中，k空间一致性损失约束lcst用于优化数据保真项，k空间一致性损失约束lcst公式如下：

18、

19、其中，y∈cm(m<n)为下采样k空间数据，f为傅里叶变换算子，u为下采样算子；x为磁共振影像重建结果；

20、全变分正则lreg约束公式如下：

21、lreg＝rtv(x)

22、其中rtv为全变分约束函数；

23、分解掩码正则损失函数lmask公式如下：

24、

25、其中，m为分解掩码，i表示生成掩码的位置索引。

26、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建方法中，总损失函数ltotal计算公式如下：

27、ltotal＝λ1lcst+λ2lreg+λ3lmask

28、其中，λ1、λ2和λ3分别为k空间一致性约束lcst、全变分正则约束lreg和分解掩码正则约束lmask的权重系数。

29、第二方面，本技术实施例提供了一种基于图像分解的无训练磁共振影像重建系统，该系统包括：存储器及处理器，所述存储器中包括基于图像分解的无训练磁共振影像重建方法的程序，所述基于图像分解的无训练磁共振影像重建方法的程序被所述处理器执行时实现以下步骤：

30、获取磁共振影像，将磁共振影像输入预设的影像分解模型进行解耦，得到图像边缘区域与平滑区域；

31、通过无训练神经网络先验生成器获取图像边缘区域、平滑区域的分解成分与分解掩码，生成图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量；

32、图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量的映射关系，生成映射关系模型；

33、基于磁共振影像分解模型与映射关系模型，利用分解掩码对分解成分进行融合，获得磁共振影像重建结果。

34、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建系统中，获取磁共振影像，将磁共振影像输入预设的影像分解模型进行解耦，得到图像边缘区域与平滑区域，具体包括：

35、获取影像分解模型，根据影像分解模型将磁共振影像分解为不重叠的两部分，分别对应边缘区域和平滑区域，磁共振影像分解模型公式如下：

36、x＝mxe+(1-m)xs

37、其中，x∈cn为整体磁共振影像，m为边缘区域的掩码表征，其取值包含0和1，xe表示磁共振影像的边缘区域，xs表示磁共振影像的平滑区域。

38、可选地，在本技术实施例所述的基于图像分解的无训练磁共振影像重建系统中，基于磁共振影像分解模型与映射关系模型，利用分解掩码对分解成分进行融合，获得磁共振影像重建结果之后，还包括：

39、根据磁共振影像分解模型获取磁共振影像成像机理的k空间数据保真项与图像全变分正则项，建立重建图像的优化模型；

40、根据重建图像的优化模型建立k空间一致性约束lcst、全变分正则约束lreg和分解掩码正则损失函数lmask；

41、根据k空间一致性约束lcst、全变分正则约束lreg与分解掩码正则损失函数lmask建立总损失函数ltotal，根据总损失函数对映射关系模型的参数进行初始化；

42、设置迭代次数t，基于非训练神经网络先验优化策略，经过t轮迭代对映射关系模型进行优化，同时对磁共振影像重建结果进行迭代更新，得到磁共振重建结果x(t)。

43、第三方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于图像分解的无训练磁共振影像重建方法程序，所述基于图像分解的无训练磁共振影像重建方法程序被处理器执行时，实现如上述任一项所述的基于图像分解的无训练磁共振影像重建方法的步骤。

44、由上可知，本技术实施例提供的一种基于图像分解的无训练磁共振影像重建方法、系统及介质，通过获取磁共振影像，将磁共振影像输入预设的影像分解模型进行解耦，得到图像边缘区域与平滑区域；通过无训练神经网络先验生成器获取图像边缘区域、平滑区域的分解成分与分解掩码，生成图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量；图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量的映射关系，生成映射关系模型；基于磁共振影像分解模型与映射关系模型，利用分解掩码对分解成分进行融合，获得磁共振影像重建结果；通过构建磁共振影像分解模型，将磁共振影像分解为边缘区域和平滑区域，并利用无训练神经网络先验生成器灵活获取图像分解成分和分解掩码，以此降低单模型的重建难度以提升磁共振影像的重建效率。